论文学习｜第七篇(2)基于传感器融合的钛合金薄壁件铣削多工况识别（铣削实验以及结果讨论）

1年前浏览10149

论文学习

非常尊重并感谢科研人员做出的辛勤贡献！若有侵权，烦请联系处理！

若有翻译不当之处，恳请批评指正！

本篇研究论文针对加工过程中颤振和刀具磨损的同时识别比较困难的问题，提出了一种基于传感器融合的多工况识别方法。从声音、加速度、切削弯矩信号中提取多传感器特征，并且筛选特定频段内的传感器数据特征，提出了改进的主成分分析方法。适合于颤振检测、特征融合、信号处理研究领域者学习。

本篇将介绍第2篇：铣削实验以及结果讨论

正文共： 7510字0图

预计阅读时间： 19分钟

论文信息

论文题目：Multi-condition identification in milling Ti-6Al-4V thin-walled parts based on sensor fusion

期刊、年份：Mechanical Systems and Signal Processing，2022

作者：Runqiong Wang(a), Qinghua Song(a,b,*), Zhanqiang Liu(a,b), Haifeng Ma(a,b), Zhaojun Liu(c)

机构：(a) Key Laboratory of High Efficiency and Clean Mechanical Manufacture, Ministry of Education, School of Mechanical Engineering, Shandong University, Jinan, PR China

(b) National Demonstration Center for Experimental Mechanical Engineering Education, Shandong University, Jinan, PR China

1. 引言

2. 提出的多工况识别方法

2.1 基于铣削系统频域特性的特征提取

2.2 改进的主成分分析方法

2.3 基于支持向量机的多铣削工况识别

3. 铣削实验

3.1 实验设置

3.2 工艺参数设计

3.3 信号获取

4. 结果

4.1 信号特征提取

4.2 多工况识别

5. 讨论

6. 结论

摘要

Ti-6Al-4V薄壁件铣削过程中颤振和刀具磨损始终共存，而铣削薄壁件的边界特性、时变特性、模态耦合和位置依赖特性导致铣削状态相关信号特征的空间时频分布变化。因此，现有的铣削监测方法只能识别单个颤振或刀具磨损，而忽略了其他情况。为了同时识别颤振和刀具磨损，本文通过融合具有可变空间时频分布的多源异构数据，提出了一种基于传感器融合的多工况识别方法。从声音、加速度和切削弯矩信号中提取铣削过程的多传感器特征。为了降低原始特征数据集的复杂性，通过筛选特定频段内的传感器数据特征，提出了一种改进的主成分分析(UPCA)算法。同时，提取了一种新的考虑能量占比的信号特征，提高了多工况的识别精度。根据稳定叶瓣图(SLD)设计工艺参数，以提高实验效率。实验结果表明，该方法能够有效识别由颤振和刀具磨损失效组成的多铣削工况。在UPCA和考虑能量占比的情况下，该方法的计算效率也得到了提高，识别准确率达到93.75%，大大高于使用传统数据处理方法的分类器的准确率。

关键词: 薄壁件，铣削状态识别，颤振检测, 刀具磨损监测，数据融合

Ⅲ 铣削实验

3.1实验设置

为了验证所提出的识别方法的可行性和准确性，需要在不同的铣削条件下进行一系列的铣削实验。实施和验证过程如图1所示，包括实验参数的设计、改进的PCA方法和多工况识别。铣削实验是实现和验证所提方法的基础，整个过程是根据三维稳定性叶瓣图（SLD）设计工艺参数。然后通过观测工件和刀具表面的质量来确定设计参数是否满足要求。改进后的PCA方法主要目的是降低维数，建立多传感器融合策略。多工况识别包括信号特征提取和训练支持向量机模型，旨在识别四种铣削工况。本节将从实验设备、工艺参数和信号采集三个方面介绍铣削实验。

图1 所提出的识别方法的实施和验证流程图

如图2所示，在三轴立式数控机床(VMC0540D)上进行铣削实验，同时采集加工过程中沿y方向的铣削弯矩、工件加速度和声音信号。铣削弯矩信号由带传感器的刀柄采集，通过无线传输模块传输到PC记录系统。加速度传感器(Dytran 3145A1，灵敏度10.20 )和麦克风(G.R.A.S 46BE，灵敏度3.6 )分别采集加速度信号和声音信号，然后通过声音和振动采集模块(National Instruments PXIe- 4464)同时传输到PC记录系统。刀具是一个平面立铣刀直径，齿数N=4，TiSiN涂层和35°螺旋角。钛合金(Ti-6Al-4V)工件的尺寸为100mm*100mm*5mm。为了检测铣削过程中刀具的磨损情况，利用Keyence VHX600数字显微镜测量了刀具在各种铣削工况下的侧面磨损宽度。此外，利用Keyence VKX250共聚焦显微镜对工件的加工表面进行了检查，以确定实际的铣削条件。

图2 实验设计

3.2 工艺参数设计

由于支持向量机是一种有监督的机器学习方法，因此需要设计四组与铣削条件对应的工艺参数来训练分类器。理想情况下，它应该能够通过设计的参数来预测是否能够实现相应的铣削条件。这样，在每个铣削工况下只进行相同数量的实验，以避免重复尝试。但现有的铣削监测方法大多是根据经验设计工艺参数，只有在铣削试验结束后才能确定实际的铣削工况。如果初始选择的工艺参数不合适，就必须反复更换参数进行实验，这极大地影响了实验效率。与数据驱动模型相比，解析模型虽然不能准确实时监测铣削过程，但能够在实验开始前预测稳定性。这样可以有效避免错误的设计参数，为实验提供指导。因此，为了提高实验效率，基于实测模态参数、铣削力系数和零阶分析(ZOA)算法[40]计算了铣削系统的SLD。测量到的刀具和工件的频响函数如图3所示。根据实测频响函数，可计算出前两阶模态参数如表1所示。根据参考文献[41]，通过槽铣削实验得到铣削力系数

=1075.98MPa,

=955.58MPa。由此可得到刀具-工件铣削系统的SLD，如图4所示。

‍图3 刀具和工件的频响函数

表1 刀具和工件的模态参数

图4 三维稳定性叶瓣图和设计的工艺参数

然后根据得到的SLD对各铣削工况下的工艺参数进行正交设计。如图4所示，在稳定区域选取稳定铣削和刀具磨损失效工况下的工艺参数，在颤振区域选取颤振和颤振并且刀具磨损失效工况下的工艺参数。此外，由于本文没有考虑刀具磨损的退化过程，因此有必要将刀具磨损保持在同一阶段。结果表明，在刀具磨损失效和颤振并且刀具磨损失效状态下，主轴转速(S)设计在较低的水平(890~1950r/min)。这样分别设计了四种铣削工况下对应的主轴转速和切削深度(

)。

另外，SLD描述了切削深度与主轴转速的关系，而进给量不能由SLD确定。为了选择进给速度，必须确定它是否会影响铣削条件。在参考文献[42]中，通过仿真和实验研究了进给量对稳定极限的影响。研究发现，进给速度的变化不影响铣削系统的稳定性。这主要是因为每齿进给量只与静态切削屑厚度有关，而不影响产生再生颤振[40]的动态切削厚度。因此，进给速度不会影响本文四种铣削工况的选择结果，但会影响铣削力[42]，进而改变工件的表面形貌。然而，刀具磨损也会影响表面形貌。因此，为避免参数选择引起的表面形貌变化对实际铣削条件判断的影响，对稳定铣削条件和刀具磨损失效铣削条件以及颤振和颤振刀具磨损失效铣削条件选择相同的进给速度。此外，在颤振情况下，进给速度应高于其他两种条件，这样可以使铣削力更大，颤振痕迹更明显，有利于通过表面形貌区分铣削工况。所有实验的径向切削宽度保持

=0.2mm不变，切削方式为槽铣和端铣。设计参数如表2所示，每一种铣削工况下包括9组实验，共36组实验。

表2 设计的工艺参数

3.3 信号获取

然后根据表2的工艺参数进行薄壁件铣削实验。每组实验采集工件加速度、切削刀具的声音信号和弯矩信号，并传输到PC记录系统。以稳定铣削条件下的实验(

=2150r/min,

=120 mm/min,

=5mm)为例，采集到的原始多传感器信号如图5(a)所示。

图5 多传感器信号的预处理

如2.1节所述，由于铣削实验的工艺参数包括多种主轴转速，因此在提取信号特征之前，需要使分割后的铣削信号与主轴转速无关。以实验的9s-9.6s信号(

=2150r/min,

=120mm/min,

=5mm)为例，图5(b)显示了独立于主轴转速的分段结果。根据式(1)根据主轴转速对原始多传感器信号进行分割，每一转的数据用不同的颜色进行区分。从图中可以看出，每个传感器每转的数据具有明显的周期性特征。通过预处理将单位长度转换为每转的信号长度，从而可以提取不依赖于主轴转速的传感器特征。此外，由于实验中使用的是四齿立铣刀，从加速度信号可以明显看出，每一转包含四个相似的部分。每一个部分都代表了每齿切入和切出的过程。而在另外两个传感器信号中则不存在与齿形相关的周期特性，这主要是因为加速度信号反映了工件的振动，刀齿的进、出切削会直接影响振动波形。另一方面，声音和弯矩信号更关注于与主轴旋转相关的周期特性。这也揭示了多传感器融合的必要性和优越性。

Ⅳ 结果

4.1 信号特征提取

考虑到计算效率和精度，选取每个传感器信号长度为20转的数据作为监测样本。根据2.1节对多传感器信号进行分解，根据信号特征采用Harr小波作为基本小波函数。如第3节所述，最大采样频率为10kHz，刀具和工件的最小固有频率为476Hz，实验中最大过齿频率小于200Hz。因此，通过4级小波包分解将原始信号分解为24个频带，使得刀齿过频和铣削系统处于不同的小波包频带中。图6为稳定条件下(

=2150r/min,

=120mm/min,

=5mm)铣削实验加速度信号的小波包分解结果，即16组小波包系数。可以看出，每个频带的小波包系数是不一致的，具体的差异可以用一种指标来量化，也就是所谓的特征提取。根据式(5)，可以计算每个信号的每个小波包的能量，从而提取信号特征。

图6 加速度信号的小波包系数

图7为四种铣削工况下各实验的小波包能量分布。每个铣削状态下有16组小波包，共64组小波包。每组小波包分别包含从加速度、声音和弯矩中提取的3种特征。同时，在每种条件下进行了9次铣削实验，并从每个信号的不同部分提取了2组特征。也就是说，对于每个铣削条件，总共有18组数据。可以看出，在相同的铣削条件下，不同频段的能量分布有一定的规律。另一方面，当刀具磨损失效或颤振发生时，能量积累的频带会发生变化。例如，以等于20的能量值为边界，铣削稳定状态下的能量大多集中在1、2、4(1、2、4号)小波包中，而颤振发生时能量则转移到1、2、3、4、7(17、18、19、20、23号)小波包中。然后在刀具磨损失效条件下转移到第1、2、4、8(33、34、36、40号)小波包中。总之，在不同的铣削条件下，能量分布是不同的。因此，基于提取的信号特征和每个频段的能量分布模式，理论上可以通过机器学习来识别这四种铣削条件。

图7 多传感器能量分布

然而，当专注于单个传感器时，它变得更加复杂。例如，从图7可以看出，后两种铣削条件下的加速度信号特征几乎总是集中在第2和第4小波包中。四种铣削条件下声信号的能量值都处于很低的水平。由式(5)可知，信号的能量是一定时间范围内瞬时功率的积分。对于离散信号，它是每个离散振幅点的平方和。所以，能量值的大小取决于信号的振幅。如图5所示，声音和弯矩信号的幅值明显低于加速度信号的幅值。虽然声音信号和弯矩信号的幅值相似，但更多的声音信号点集中在较低的范围，而弯矩信号的幅值分布几乎相等。因此，对各个信号进行小波包分解后，弯矩和加速度的小波包系数也大多大于声音信号的小波包系数。而小波包系数的幅值直接决定了相应的能量值，因此声音信号的小波包能量始终处于较低的水平。而且加速度计直接固定在工件上，弯矩信号由传感器刀柄采集，均由接触传感器获取，因此幅值分布相对更均匀。但声音信号由非接触式麦克风采集，且麦克风与工件之间有一定距离，因此获取的时域数据大多数集中于低幅值范围。这是声音特征分布水平较低的根本原因。

此外，四种铣削条件下的弯矩特征大部分集中在第1小波包中。这是因为弯矩信号受切削力的影响，其频率分量受主轴旋转频率和刀齿通过频率的影响。主轴旋转频率和刀齿通过频率恰好在第一个小波包频带范围内，这又导致信号特征值较大。这些结论表明，加速度、声音和弯矩都不足以区分四种铣削条件。虽然使用特定的传感器进行监测可以有效地识别单个铣削条件，但它远远不足以检测耦合铣削条件的能量聚集变化。另一方面，各个传感器的能量分布模式也不一致。有些特征甚至对铣削条件的变化并不敏感，例如高频波段的声音信号特征。这些不敏感的特征，即冗余信息，将因此影响数据集的分类。根据一般的多传感器融合方法[30]，如果不筛选提取的特征，特征集将由所有铣削实验中三种信号的所有小波包能量组成。那么根据式(9)特征矩阵的大小为18*16*3，其中18为铣削实验次数，16为小波包个数，3为传感器个数。这种复杂的信号特征集显然不利于后续的分类。

为了简化数据集并验证所提算法，对原始特征矩阵进行了以下三种情况的处理。贡献度要求设置为85%。

方案1。原始特征矩阵只包含小波包能量。基于传统的PCA方法对原始特征矩阵进行降维处理。

方案2。原始特征矩阵只包含小波包能量。基于改进的PCA方法，对原始特征矩阵进行降维处理。

方案3。原始特征矩阵包含小波包能量和能量占比。基于改进的PCA方法，对原始特征矩阵进行降维处理。

图8(a)显示了传统PCA处理的特征数据集的前三个主成分(方案1)。四种颜色代表不同的铣削条件。每个工况有18个点，即18组实验数据。可以看出，经过PCA处理后的前三个主成分数据还不能清晰区分，特别是稳定铣削、颤振和颤振&刀具磨损失效的特征数据几乎混杂在一起。图9中，左y轴为各特征值的占比，右y轴为三种方法中各特征向量的累积贡献，由式(14)计算。可以看出，传统的PCA方法至少需要保留7个主成分数据，才能满足贡献的要求。图8(b)显示了用改进的PCA方法(方案2)处理的数据集的前三个主成分。可以看出，在不同的铣削条件下，其特征已经有了更明显的区别。另外，由图9可知，仅保留数据的前4个主成分，已经满足了贡献度的要求。为了进一步提高识别精度，图8(c)给出了方案3的前三个主成分，即具有能量占比以及改进PCA方法处理的特征数据。可以得出结论，改进的PCA方法与能量占比特征的应用在数据分布上没有明显差异，仍然需要保留数据的4个主成分以满足贡献要求。能量占比特征是否能提高识别精度和计算效率有待证实。

图8 提取特征的前三个主成分

图9 三种方法的累积贡献度

4.2 多工况识别

如2.3节所述，为了再现由颤振和刀具磨损组成的多种铣削条件，将铣削条件分为四类：稳定铣削、颤振、刀具磨损失效、颤振&刀具磨损失效。基于式(18)，每两个类之间训练二分类支持向量机分类器，然后用于识别这四种铣削工况。为了验证所提方法的准确性，选取每种铣削工况下的前5组实验作为训练数据集，其余4组实验作为测试数据集。也就是说，训练数据集由表2中编号1-5、10-14、19-23、28-32的实验组成。测试数据集由6-9、15-18、24-27、33-36号实验组成，即训练数据和测试数据占总数的比例分别为55.56%和44.44%。此外，在4.1节三种情况的基础上，对分类器进行三种情况的训练，检验提取的特征和降维对识别精度的影响。

为方便起见，下文分别用传统PCA、改进PCA和带能量占比的改进PCA表示这三种方法。

在训练分类器时，改变核函数中的惩罚因子c和参数γ会改变既定的决策函数，进而影响分类结果。这意味着根据分类结果可以找到最优的惩罚因子和核函数参数。然而，在实际铣削状态监测中，测试集的标签是不可知的，因此核函数中的惩罚因子c和参数γ的值只能通过训练数据集中的优化来确定。考虑到测试数据集的比例达到44.44%，如果将训练数据集进一步划分为子测试数据集和子训练数据集来确定c和γ，由于数据集的规模较小，很难得到理想的结果。因此，本文中的惩罚因子c和核函数参数γ是通过K-fold交叉验证(K-CV)方法确定的。即将训练数据集分为K组，每个子数据集用于验证结果，其余K-1组视为训练数据。这样，这两个参数在一定范围内取离散值，根据验证结果得到最佳的c和γ，从而使训练数据集中的分类精度达到最佳。这里将训练数据集分为3组，即K=3，并对上述三种情况下获得的特征数据集应用于相同的搜索范围，根据训练数据集中分类精度最高的情况选择最优参数。所选取的最优惩罚因子c和核函数参数γ及其交叉验证精度如表3所示。最后的决策函数，即所谓的分类器，就可以根据得到的最优参数来确定。

表3 训练分类器时的最优参数

表3可以看出，传统PCA方法处理的特征数据的最优交叉验证精度低于其他两种方法。这主要是因为传统的PCA方法在降维过程中不能过滤掉多传感器特征中的冗余信息，而是对数据集进行统一的变换，导致与识别结果相关的特征丢失。改进的PCA方法基于刀具和工件的固有频率、主轴旋转频率和过齿频率，根据降维前的先验知识筛选提取的特征，通过多传感器融合保持原始数据集结构。此外，从表3可以看出，方案 2和方案 3在训练数据集中的预测准确率是一致的，即特征矩阵是否包含能量占比并不影响分类准确率。这是因为两个参数的优化是在训练数据集中进行的，目的是在不知道测试集标签的情况下选择最优参数。然而，能量占比对识别结果的影响取决于测试数据集的分类精度，因此有必要进一步评估。

三种方案下测试数据集的识别结果如图10所示。1、2、3、4四个标签代表四种铣削条件:稳定铣削、颤振、刀具磨损失效、颤振&刀具磨损失效。可以看出，方案 1 (PCA方法处理的特征数据)的识别准确率最低，只有75%。方案 2(经过改进PCA方法处理的特征数据)的识别准确率远远高于方案1，在特征数据集中加入能量占比后，准确率进一步提高到93.75%。从图10(a)中可以看出，用传统的PCA方法对特征进行处理时，很难区分颤振和颤振&刀具磨损失效两种铣削状态，这与图8(a)得到的结论相似。从图10(b)，(c)和表3也可以看出，虽然在特征集中加入能量占比并不会改变训练数据集中的准确率，但在测试数据集中这种影响会变得明显。能量占比可以有效提高多工况的识别精度。与只含小波包能量的特征集相比，加入能量占比后的铣削工况识别精度提高了9%以上。

图10 多工况识别精度

此外。记录并比较了三种情况下的计算时间。计算时间的记录从提取特征的数据处理开始，一直到工况识别结束。用于记录计算时间的计算机配置包括Intel Core i5-10400 CPU 2.9 GHz, 8gb RAM和Intel UHD Graphics 630。为避免计算机状态对计算结果的影响，在同一台PC机上使用相同的实验数据进行10组计算时间记录，每次计算前重新启动计算软件。记录的结果如表4所示，每组实验的最短计算时间用“*”标记。从表4可以看出，方案3的计算效率明显优于其他两种情况，其次是方案2，方案1的计算时间最长。这主要是因为UPCA中的特征筛选使分类涉及的数据呈指数级变小，减少了求解协方差矩阵和特征值问题的计算量。通过在提取的特征中增加能量占比，节省了寻找最优惩罚因子和核函数参数的时间。因此，传统的PCA方法计算量大，而后两种方法借助UPCA和能量占比可以节省计算时间。

表4 三种方案下的计算时间

Ⅴ讨论

如第3节所述，为了提高实验效率，根据SLD设计了工艺参数。然而，工件的动态特性总是随着材料的去除而变化，铣削力系数也随着刀具磨损的加剧而变化。基于SLD的铣削条件预测在整个铣削过程中可能并不完全准确。因此，实际的铣削条件需要在实验中进行检查和确认。由于铣削颤振会在加工表面留下可见的颤振痕迹，因此在每种情况下都要用共聚焦显微镜进行检查。

图11为多种铣削条件下工件表面的测量结果。由图11(a)可知，在稳定的铣削条件下，工件表面没有颤振痕迹。由于刀具状态也较好，因此加工表面质量较好，采样区粗糙度达到Ra=1.657。如图10(b)所示，颤振铣削条件下，加工表面留下了明显的颤振痕迹。虽然表面质量明显低于稳定的铣削条件，但由于刀具的状况，留下的痕迹并不深(约23μm)。刀具磨损失效条件下的粗糙度Ra=3.878，介于稳定铣削状况和颤振之间。这表明，即使刀具磨损影响加工质量，其表面粗糙度仍优于颤振条件。由图10(d)可以看出，由于颤振和刀具磨损的共同作用，颤振&刀具磨损失效条件下的加工表面质量最差，颤振痕迹深度约为40μm，粗糙度达到Ra =10.562。

图11 多铣削工况下的加工表面质量

另一方面，刀具磨损的检测是相对复杂的。在ISO 8688-2[43]中，推荐了一种确定立铣刀失效的方法，该方法建议用后刀面磨损宽度(VB)作为刀具失效的判据。在标准中，当所有齿的均匀磨损大于0.3mm或任何齿出现最大局部磨损0.5mm时，可确定为刀具磨损失效。事实上，在铣削Ti-6Al-4V薄壁件时，当侧面磨损超过0.3mm或局部磨损超过0.5mm时，即使在非常小的切削深度下，也很难找到能实现稳定铣削的工艺参数。铣削Ti-6Al-4V薄壁件的刀具磨损失效判据明显高于ISO 8688-2的推荐判据。然而，据我们所知，对于铣削Ti- 6Al-4V薄壁件，还没有特定的刀具磨损失效准则。本文根据标准中的测量方法和加工经验，将Ti-6Al-4V薄壁件铣削时的刀具磨损失效判据定义为后刀面磨损宽度(VB)大于100μm。

另一方面，由于第3节的实验顺序为：稳定铣削、颤振、刀具磨损失效和颤振&刀具磨损失效，因此刀具磨损失效检查流程如下。首先，在稳定铣削前用显微镜检查后刀面，以确保刀具不处于失效状态。在稳定铣削条件下(颤振试验前)，再次测量了后刀面磨损宽度。如果刀具不处于失效状态，则满足稳定铣削的实验要求。反之，如果刀具在稳定铣削后发生磨损失效，则证明铣削实验过程中刀具状态发生了变化。更换刀具，调整工艺参数，重新进行稳定铣削条件实验。同样，在实验前后对后刀面进行观察，以确保颤振条件下的实验不发生刀具磨损失效。刀具磨损失效和颤振&刀具磨损失效条件实验中所使用的铣刀为预磨损，磨损量满足失效判据(VB>100μm)。并在相应的条件下对预磨损的刀具进行了前后显微镜检查，以保证实验要求。

刀具磨损程度的测量结果如图12所示。在开始稳定铣削实验之前，铣刀处于新的未磨损状态。测量位置如图12(a)所示。图12(b)为稳定铣削后的后刀面(颤振条件前)，此时刀具没有明显磨损。图12(c)显示颤振铣削后的后刀面。可以看到切削刃的状态仍然良好，没有明显的磨损带。图12(d)为刀具磨损失效工况下试验前后刀面。可以看出，预磨后的后刀面面出现了明显的磨损带，且磨损带宽度大于100μm，满足刀具磨损失效的判据。图12(e)为颤振与刀具磨损失效条件下试验前的后刀面。还可以看到清晰、满足条件的磨损带。

图12 刀具磨损测量结果

因此，通过对工件表面形貌的检测以及刀具后刀面的检测，确定基于SLD设计的工艺参数符合相应要求。此外，如果在铣削监测中忽略刀具磨损失效的影响，根据信号特征和工件表面形貌，很容易将图12(c)和(e)识别为相同的铣削条件。然而，从图11中可以看出，这与实际情况并不相符。同样的，如果只考虑刀具磨损，这也与图11和图12所示的实际情况不同。

此外，从图12(d)和(e)可以看出，这两种铣削条件下的刀具磨损值是不一致的。然而，本文的工况识别过程只指定了失效阈值，没有考虑刀具的不同磨损阶段。在未来的工作中，可以引入不同的刀具磨损阶段，以实现多种铣削条件的识别，包括颤振和刀具磨损的详细过程。

Ⅵ 结论

针对铣削薄壁件信号特征的时频空间分布变化的特点，通过建立具有多时频空间分布的多源异构数据融合策略，提出了一种基于传感器融合的多工况识别方法。根据铣削系统的频域特性对主成分分析方法进行了改进。同时，通过计算小波包能量在特定频带中的占比，提取出所提出的信号特征，即能量占比，证明了该方法能够提高识别精度。根据提出的方法和实验结果，可以得出以下结论：

(1) Ti-6Al-4V薄壁件铣削过程中耦合产生的颤振和刀具磨损失效，使得现有信号特征提取方法难以识别铣削条件的变化。通过筛选特定频带内的多传感器特征并计算能量占比，可以改善小波包能量的聚集特性，为机器学习识别多工况提供了基础。

(2) 改进后的PCA方法在保证铣削工况识别精度的同时，降低了特征数据集的维数。在贡献要求方面，改进的的PCA方法只需要保留特征集的前4个主成分，而传统的PCA方法至少需要保留7个主成分。此外，改进的PCA方法训练的分类器识别精度大大优于传统的PCA方法。

(3)在特征集中增加能量占比可以进一步提高识别精度。与只包含小波包能量的特征数据集相比，加入能量占比后的铣削工况识别精度提高了9%以上。实验结果表明，该方法的多工况识别准确率可达93.75%，验证了该方法的有效性。

(4)与传统的PCA方法相比，改进的PCA方法和能量占比可以提高计算效率。这主要是因为特征筛选减少了求解协方差矩阵和特征值问题的计算时间，节省了寻找最优SVM参数的时间。

注明

1、本篇论文到此介绍完结。

2、若需引用本文的公式、专业术语等内容建议再细读原论文核实；若本文对您的论文idea有帮助，建议引用原论文～

参考文献

[1] Rw A , Qsa B , Zla B , et al. Multi-condition identification in milling Ti-6Al-4V thin-walled parts based on sensor fusion[J]. Mechanical Systems and Signal Processing, 164.

翻译：张勇

编辑：张勇

校核：李正平、张泽明、王畅

如需转载，请后台联系小编

说明：图片来源原论文，若有侵权，烦请后台联系处理

来源：故障诊断与python学习

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2023-06-22